論文の概要: Tailoring to the Tails: Risk Measures for Fine-Grained Tail Sensitivity
- arxiv url: http://arxiv.org/abs/2208.03066v1
- Date: Fri, 5 Aug 2022 09:51:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-08 12:18:20.232937
- Title: Tailoring to the Tails: Risk Measures for Fine-Grained Tail Sensitivity
- Title（参考訳）: 尾部への調整:細粒度尾部感度のリスク対策
- Authors: Christian Fr\"ohlich, Robert C. Williamson
- Abstract要約: 予測されるリスクアレンジメント(ERM)は、マシンラーニングシステムの中核にある。
本稿では,所望のテール感度を示すリスク対策を構築するための一般的な手法を提案する。
- 参考スコア（独自算出の注目度）: 10.482805367361818
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Expected risk minimization (ERM) is at the core of machine learning systems.
This means that the risk inherent in a loss distribution is summarized using a
single number - its average. In this paper, we propose a general approach to
construct risk measures which exhibit a desired tail sensitivity and may
replace the expectation operator in ERM. Our method relies on the specification
of a reference distribution with a desired tail behaviour, which is in a
one-to-one correspondence to a coherent upper probability. Any risk measure,
which is compatible with this upper probability, displays a tail sensitivity
which is finely tuned to the reference distribution. As a concrete example, we
focus on divergence risk measures based on f-divergence ambiguity sets, which
are a widespread tool used to foster distributional robustness of machine
learning systems. For instance, we show how ambiguity sets based on the
Kullback-Leibler divergence are intricately tied to the class of subexponential
random variables. We elaborate the connection of divergence risk measures and
rearrangement invariant Banach norms.
- Abstract（参考訳）: 予測されるリスク最小化(ERM)は、マシンラーニングシステムの中核にある。
つまり、損失分布に内在するリスクは、その平均値である1つの数値で要約される。
本稿では,ERMの予測演算子を代替し,所望のテール感度を示すリスク対策を構築するための一般的な手法を提案する。
提案手法は,コヒーレントな上限確率に対する1対1の対応性を持つ,所望のテール挙動を持つ参照分布の仕様に依存する。
この上限確率と互換性のある任意のリスク尺度は、基準分布に微調整されたテール感度を示す。
具体例として,機械学習システムの分散ロバスト性向上のためのツールとして,f分割曖昧性集合に基づく分散リスク対策に着目する。
例えば、kullback-leiblerの発散に基づく曖昧性集合が、部分指数確率変数のクラスに複雑に結びついていることを示す。
発散リスク測度と再配置不変バナッハノルムとの関係を詳述する。
関連論文リスト
- Data-driven decision-making under uncertainty with entropic risk measure [5.407319151576265]
エントロピーリスク尺度は、不確実な損失に関連する尾のリスクを考慮に入れた高い意思決定に広く用いられている。
経験的エントロピーリスク推定器を劣化させるため, 強く一貫したブートストラップ手法を提案する。
検証性能のバイアスが補正されない場合,クロスバリデーション手法は,保険業者のアウト・オブ・サンプルリスクを著しく高める可能性があることを示す。
論文 参考訳（メタデータ） (2024-09-30T04:02:52Z) - Data-Adaptive Tradeoffs among Multiple Risks in Distribution-Free Prediction [55.77015419028725]
しきい値とトレードオフパラメータが適応的に選択された場合、リスクの有効な制御を可能にする手法を開発する。
提案手法は単調なリスクとほぼ単調なリスクをサポートするが,それ以外は分布的な仮定はしない。
論文 参考訳（メタデータ） (2024-03-28T17:28:06Z) - Predictive Uncertainty Quantification via Risk Decompositions for Strictly Proper Scoring Rules [7.0549244915538765]
予測モデリングの不確かさは、しばしばアドホック法に依存する。
本稿では,統計的リスクを通じて不確実性を理解するための理論的アプローチを紹介する。
我々は、ポイントワイズリスクをベイズリスクと過剰リスクに分割する方法を示す。
論文 参考訳（メタデータ） (2024-02-16T14:40:22Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - On the Variance, Admissibility, and Stability of Empirical Risk
Minimization [80.26309576810844]
2乗損失を持つ経験的リスク最小化(ERM)は、極小最適誤差率に達する可能性がある。
軽微な仮定では、ERMの準最適性はばらつきよりも大きなバイアスによるものでなければならない。
また、我々の推定は、非ドンスカー類に対するCaponnetto と Rakhlin (2006) の主な結果を補完する ERM の安定性を示唆している。
論文 参考訳（メタデータ） (2023-05-29T15:25:48Z) - Policy Evaluation in Distributional LQR [70.63903506291383]
ランダムリターンの分布を閉形式で表現する。
この分布は有限個の確率変数で近似できることを示す。
近似回帰分布を用いて,リスク・アバースLQRに対するゼロ階ポリシー勾配アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-23T20:27:40Z) - How does the Combined Risk Affect the Performance of Unsupervised Domain
Adaptation Approaches? [33.65954640678556]
unsupervised domain adaptation (uda)は、ソースドメインからのラベル付きサンプルとターゲットドメインからのラベルなしサンプルでターゲット分類器をトレーニングすることを目的としている。
e-mixnetは、ラベル付きソースサンプルと疑似ラベル付きターゲットサンプルに汎用的なビビナル分布である強化ミックスアップを使用して、複合リスクのプロキシを計算する。
論文 参考訳（メタデータ） (2020-12-30T00:46:57Z) - Learning with risks based on M-location [6.903929927172917]
損失分布の位置と偏差から定義されるリスクの新たなクラスについて検討する。
クラスはスムーズな損失を取り巻くラッパーとして容易に実装されます。
論文 参考訳（メタデータ） (2020-12-04T06:21:51Z) - Optimal Best-Arm Identification Methods for Tail-Risk Measures [9.128264779870538]
条件付きバリュー・アット・リスク(CVaR)とバリュー・アット・リスク(VaR)は金融や保険業界で人気のあるテール・アット・リスク対策である。
CVaR, VaR, CVaRの最小値の平均は, CVaR, VaR, CVaRの最小値の平均である。
論文 参考訳（メタデータ） (2020-08-17T20:23:24Z) - Thompson Sampling Algorithms for Mean-Variance Bandits [97.43678751629189]
我々は平均分散MABのためのトンプソンサンプリング型アルゴリズムを開発した。
我々はまた、ガウシアンとベルヌーイの盗賊に対する包括的後悔の分析も提供する。
我々のアルゴリズムは、全てのリスク許容度に対して既存のLCBベースのアルゴリズムを著しく上回っている。
論文 参考訳（メタデータ） (2020-02-01T15:33:50Z) - Orthogonal Statistical Learning [49.55515683387805]
人口リスクが未知のニュアンスパラメータに依存するような環境では,統計学習における非漸近的過剰リスク保証を提供する。
人口リスクがNeymanityと呼ばれる条件を満たす場合,メタアルゴリズムによって達成される過剰リスクに対するニュアンス推定誤差の影響は2次であることを示す。
論文 参考訳（メタデータ） (2019-01-25T02:21:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。